מדענים עיצבו מודל חדש של בינה מלאכותית המחקה ניסויים קליניים אקראיים בקביעת אפשרויות הטיפול היעילות ביותר במניעת שבץ מוחי באנשים עם מחלות לב.
המודל הועף מראש בנתונים לא מזוהים על מיליוני חולים שנאספו ממידע על תביעות רפואיות שהוגשו על ידי מעסיקים, קופות חולים ובתי חולים – אסטרטגיית מודל יסוד הדומה לזו של כלי בינה מלאכותית כמו ChatGPT.
על ידי אימון מקדים של המודל על מטמון עצום של נתונים כלליים, החוקרים יוכלו לכוונן את המודל עם מידע הנוגע למצבים בריאותיים וטיפולים ספציפיים – במקרה זה, תוך התמקדות בסיכון לשבץ מוחי – כדי להעריך את ההשפעה הסיבתית של כל טיפול ולקבוע איזה טיפול יעבוד הכי טוב בהתבסס על מאפייני המטופל האישי.
הצוות מאוניברסיטת אוהיו סטייט דיווח היום (1 במאי 2024) בכתב העת דפוסים שהמודל שלהם עלה על שבעה מודלים קיימים והגיע עם אותן המלצות לטיפול כמו ארבעה ניסויים קליניים אקראיים.
שום אלגוריתם קיים לא יכול לעשות את העבודה הזו. מבחינה כמותית, השיטה שלנו הגדילה את הביצועים ב-7% עד 8% לעומת שיטות אחרות. וההשוואה הראתה ששיטות אחרות יכולות להסיק תוצאות דומות, אבל הן לא יכולות לייצר תוצאה בדיוק כמו ניסוי קליני אקראי. השיטה שלנו יכולה".
פינג ג'אנג, סופר בכיר, פרופסור חבר למדעי המחשב והנדסה ואינפורמטיקה ביו-רפואית במדינת אוהיו
החלפת מחקר קליני עם תקן זהב אינה הנקודה – אבל החוקרים מקווים שלמידת מכונה תוכל לעזור לחסוך זמן וכסף על ידי הצבת ניסויים קליניים על מסלול מהיר יותר ולתמוך בהתאמה אישית של הטיפול בחולים.
"המודל שלנו יכול להיות מודול האצה שיוכל לעזור תחילה לזהות קבוצה קטנה של תרופות מועמדות היעילות לטיפול במחלה, ולאפשר לקלינאים לבצע ניסויים קליניים אקראיים בקנה מידה מצומצם עם תרופות בודדות בלבד", אמר המחבר הראשון Ruoqi Liu , דוקטורנט למדעי המחשב והנדסה במעבדה של ג'אנג.
הצוות כינה את המסגרת המוצעת CURE: CaUsal tReatment Effect estimation.
היופי של מודל הערכת אפקט טיפול שהוכשר מראש עם כמויות אדירות של נתונים מהעולם האמיתי ללא תווית הוא הישימות שלו על מספר רב של מחלות ותרופות, אמר ליו.
"אנו יכולים לאמן מראש את המודל על מערכי נתונים בקנה מידה גדול מבלי להגביל אותו לטיפולים כלשהם. לאחר מכן אנו מכווננים את המודל המאומן מראש על מערכי נתונים בקנה מידה קטן ספציפי למשימה, כך שהמודל יוכל להסתגל במהירות למשימות שונות במורד הזרם, " היא אמרה.
נתונים לא מתויגים ששימשו לאימון מוקדם של המודל הגיעו מ-MarketScan Commercial Claims and Encounters בשנים 2012-2017, וסיפקו 3 מיליון מקרים של חולים, 9,435 קודים רפואיים (כולל 282 קודי אבחון) ו-9,153 קודים תרופתיים.
שתיים מטכניקות בניית המודלים של ליו הוסיפו לכוחה של CURE: מילוי פערים ברשומות המטופלים על ידי התאמה של מידע המטופל עם גרפי ידע ביו-רפואי המייצגים מושגים וקשרים ביו-רפואיים, והכשרה מוקדמת של מודל בסיס נתונים-ידע מטופל בסינרגיה עמוקה תוך שימוש בטענות רפואיות ו גרפי ידע בקנה מידה.
"הצענו גם את KG-TREAT, מודל בסיס משופר ידע, כדי ליצור סינרגיה בין נתוני המטופל עם גרפי הידע כדי שהמודל יבין טוב יותר את נתוני המטופל", אמר ליו, שהיה המחבר הראשון של מרץ. הליכי ועידת AAAI לבינה מלאכותית נייר המתאר את עבודת גרף הידע.
כדי להגיע להערכות השפעת הטיפול, המודל מחשיב נתונים שהוכשרו מראש כשהם חופפים למידע ספציפי יותר על מצבים רפואיים וטיפולים, ולאחר כוונון עדין נוסף, מנבא אילו תוצאות מטופלים יתאימו לטיפולים שונים.
כחלק מהשוואת המודל לכלי למידת מכונה אחרים ואימותו מול תוצאות ניסויים קליניים, המחקר הראה שהאימון המקדים הרחב הוא עמוד השדרה של היעילות של CURE – ושילוב גרפי ידע שיפר עוד יותר את ביצועיו.
ג'אנג רואה בעיני רוחו יום – בהמתנה לאישור מינהל המזון והתרופות של AI ככלי תומך החלטות – שבו רופאים יוכלו להשתמש באלגוריתם מסוג זה, עמוס בנתוני רשומות רפואיות אלקטרוניות מעשרות מיליוני אנשים, כדי לגשת ל"תאום הדיגיטלי" של מטופל. ולתת למודל לתפקד כמדריך טיפול.
"המודל הזה טוב יותר מכדור בדולח: בהתבסס על נתונים גדולים ומודל AI הבסיסי, נוכל להיות בטוחים שנוכל לומר איזו אסטרטגיית טיפול טובה יותר", אמר ג'אנג, המוביל את מעבדת הבינה המלאכותית ברפואה. חבר סגל הליבה במכון לניתוח נתונים תרגומי במדינת אוהיו. "אנחנו רוצים לשים רופאים במושב הנהג כדי לראות אם זה משהו שיכול לעזור להם כשהם מקבלים החלטות קריטיות".
מחקר זה מומן על ידי המכון הלאומי לבריאות. Pin-Yu Chen מ-IBM Research היה שותף למחקר של CURE in דפוסים. Lingfei Wu מ-Anytime AI היה שותף למחקר של KG-TREAT ב AAAI.
